interaksi yang dibutuhkan sebagai tambahan pengetahuan ke dalam komputer. Infromasi ini kemudian disebut sebagai basis pengetahuan knowledge base.
Didalamnya juga terdapat daftar aturan rule-baseb-sytem yang sudah diuji untuk membantu proses pelacakan. Basis pengetehuan terdiri dari 2 bagian,
yaitu: 1.
Basis Kaidah rule base. 2.
Memori yang bekerja working memory. Basis kaidah berisi kaidah atau fakta-fakta yang merupakan bagian dari
masalah. Basis kaidah tidak berubah selama konsultasi tertentu. Kaidah berikut merupakan salah satu contoh dari basis kaidah
kerusakan kontak _baterai_tidak_sempurna gejala mesin_mati
gejala motor_stater_tidak_bekerja gejala klakson_tidak_berbunyi
gejala terminal_baterai_kotor
Bagian kedua dari basis pengetahuan adalah memori yang bekerja. Memori ini bertugas menampung fakta-fakta yang diperoleh selama proses
konsultasi. Memori yang bekerja merupakan basis data dinamis. Selama malakukan konsultasi mesin inferensi mempergunakan fakta dan kaidah yang ada
pada basis kaidah untuk menampung fakta pada memori.
2.1.3 Inference Engine
Mesin inferensi inference engine adalah bagian dari sistem pakar yang mendeduksi fakta-fakta baru dari fakta-fakta yang telah ada dengan menggunakan
kaidah-kaidah yang ada. Proses deduksi ini menyangkut pencocokan dan unifikasi, disamping itu mesin inferensi juga mengontrol aliran dan tahapan
inferensi. Dalam pengontrolan ini mesin inferensi menentukan kaidah mana yang
9
diuji terlebih dahulu dan apa yang dilakukan seandainya suatu kaidah sukses atau gagal.
Mesin inferensi mengambil fakta yang ada dari basis kaidah atau basis data statis dan memori yang bekerja, atau basis data dinamis kemudian
menggunakannya untuk menguji kaidah-kaidah selama proses unifikasi. Ketika kaidah sukses maka kaidah tersebut ditambahkan ke memori yang bekerja.
Dalam merancang mesin inferensi, ada dua metode utama yang dibuat untuk mesin inferensi yang digunakan untuk menguji aturan tersebut yaitu
penalaran maju Forward Chaining dan penalaran mundur Backward Chaining. Dalam melakukan pelacakan keadaan, bisa dilakukan dengan dua
pendekatan dasar, yaitu dengan metode forward chaining dan metode backward chaining.
1. Forward Chaining Metode forward chaining adalah suatu metode dari mesin inferensi untuk
memulai penalaran atau pelacakan suatu data dari fakta-fakta yang ada menuju suatu kesimpulan. Dalam forward chaining, kaidah interpreter mencocokkan fakta
atau statement dalam pangkalan data dengan situasi yang dinyatakan dalam bagian sebelah kiri atau kaidah If. Bila fakta yang ada dalam pangkalan data itu
sudah sesuai dengan kaidah If, maka kaidah diteruskan pada kaidah lain yang berhubungan.
Secara umum forward chaining memiliki ciri diawali dengan kumpulan kondsi kemudian menghasilkan suatu kesimpulan. Untuk lebih jelasnya dapat kita
lihat alur dari metode forward chaining seperti pada gambar 2.3
10
Gambar 2.3 Forward Chaining 2. Backward Chaining
Metode Backward chaining atau disebut juga denga penalaran mundur merupakan kebalikan dari metode forward chaining yaitu suatu metode yang
digunakan dalam inference engine untuk melakukan pelacakan atau penalaran dari sekumpulan hipotesa menuju fakta-fakta yang mendukung kesimpulan tersebut.
Jadi interpreter kaidah mulai menguji kaidah sebelah kanan yaitu Then. Mesin inferensi akan melacak bukti-bukti yang mendukung hipotesa awal. Jika ternyata
sesuai, maka basis data akan mencatat kondisi terhadap status sistem yang berlaku. Semua sisi kaidah If yang benar-benar sesuai digunakan untuk
menghasilkan hipotesa yang baru dan keadaan tujuan, yang kemudian direkam dalam basis data. Keadaan diatas terus berlangsung sampai hipotesa terbukti
kebenarannya. Secara umum backward chaining memiliki ciri diawali dari kesimpulan,
kemudian menelusuri kondisi-kondisi yang menyusun kesimpulan tersebut. Untuk lebih jelasnya dapat kita lihat alur dari metode backward chaining seperti pada
gambar 2.4
Observasi 1
Observasi 2 Kaidah A
Fakta 1
Fakta 3 Kaidah B
Fakta 2 Kaidah E
Kesimpulan 2 Kaidah C
Kesimpulan 1 Kaidah D
Kesimpulan 3 Kesimpulan 4
11
Gambar 2.4 Backward Chaining Dalam melakukan penelusuran pada backward chaining berawal dari goal
atau pada gambar 2.4 disebut sebagai tujuan, kemudian barulah mencari informasi untuk memenuhi goal tersebut. Pertama-tama mulai dengan memberitahu sistem,
bahwa kita ingin membuktikan keadaan tujuan. Motor inferensi melihat pangkalan data yaitu Fakta untuk dicocokkan dengan pangkalan kaidah.
Pada kasus tertentu bisa saja menggunakan kedua metode tersebut secara bersama dengan tujuan untuk mendapatkan hasil yang lebih baik, forward
chaining dan backward chaining digunakan secara kombinasional. Metode ini biasa disebut dengan mixed chaining.
2.1.4 User Interface
